淺談數據挖掘技術(shù)及其在高等學(xué)校教學(xué)中的應用教育論文
關(guān)鍵詞:數據挖掘 高校教學(xué) 教育信息化
摘要:數據挖掘技術(shù)目前在商業(yè)、金融業(yè)等方面都得到了廣泛的應用，而在教育領(lǐng)域應用較少。本文通過(guò)時(shí)數據挖掘在高校教學(xué)中的應用分析，認為數據挖掘技術(shù)可以幫助教學(xué)人員合理安排教學(xué)工作，協(xié)助輔導員對學(xué)生的管理，對提高學(xué)校的教學(xué)管理水平起到指導作用 。
1引言
隨著(zhù)12世紀信息化時(shí)代的到來(lái)，整個(gè)社會(huì )的信息總量呈幾何級數迅速增長(cháng)，人們利用信息技術(shù)生產(chǎn)和搜集數據的能力大幅度提高，積累的數據越來(lái)越多，但缺乏挖掘數據中隱藏知識的手段，導致了“數據爆炸但知識貧乏”的現象。隨著(zhù)數據庫技術(shù)的成熟和數據應用的普及，在過(guò)去的若干年中，人們積累了大量的數據資料，但數據庫中隱藏豐富的知識及有價(jià)值信息遠遠沒(méi)有得到充分地發(fā)掘和利用，隨著(zhù)數據量以指數速度激增，人們渴求從數據汪洋中出現一個(gè)去粗存精、去偽存真的技術(shù)，越來(lái)越希望系統能夠提供更高層次的數據分析功能，從中找出規律和模式，幫助決策者發(fā)現數據間重要但被忽略的因素，從而更好地支持決策或科研工作。正是為了滿(mǎn)足這種要求，從數據庫中發(fā)現知識(KDD)及其核心技術(shù)—數據挖掘技術(shù)應運而生。
2數據挖掘介紹
2.1概念及其特點(diǎn)
數據挖掘(DtaaMniing)是指從大量的、不完全的、有噪聲的、模糊的、隨機的數據中，提取隱含在其中的，人們事先不知道的但又潛在有用的信息和知識的過(guò)程，提取的知識表示為概念、規則、模式等。根據數據挖掘的目標，采用人工智能、集合論、統計學(xué)等方法，應用相應的數據挖掘算法，分析數據并通過(guò)可視化工具表述所獲得的模式或規則。
數據挖掘有以下特點(diǎn):(1)能發(fā)現反映系統局部特征和規律的模型;(2)自動(dòng)趨勢預測，能發(fā)現“新”的知識;(3)比較容易獲得很多規則，并能及時(shí)更新。數據挖掘方法具有開(kāi)放性思維方法，它可以及時(shí)借鑒和引用模型法的很多成果，比如神經(jīng)網(wǎng)絡(luò )、粗糙集、樸素貝葉斯算法等方法都已被利用在數據挖掘方法中。
2.2數據挖掘目的及其過(guò)程
2.2.1目的
數據挖掘期望發(fā)現的知識有如下幾類(lèi):(1)反映同類(lèi)事物共同性質(zhì)的泛化知識;(2)反映一事物和其他事物之間依賴(lài)或關(guān)聯(lián)的關(guān)聯(lián)型知識;(3)分類(lèi)、聚類(lèi)知識，是反映同類(lèi)事物共同性質(zhì)的特征型知識和不同事物之間的差異型知識;(4)根據歷史和當前的數據推測未來(lái)的預測型知識。
2.2.2挖掘的過(guò)程
挖掘過(guò)程是從大型庫中挖掘未知的、有效的、可實(shí)用的信息，并使用這些信息做出決策。通�？梢苑譃闇蕚�、數據挖掘、評價(jià)階段以及運用階段等四個(gè)階段。
(1)數據準備階段。數據準備階段是消除數據噪聲和與挖掘主題明顯無(wú)關(guān)的數據，完成對數據的篩選、變換和預處理。經(jīng)處理過(guò)的數據一般存儲在數據倉庫中。數據準備是否做得充分將影響到數據挖掘的效率和準確度以及最終模式的有效性。包括:①數據的選擇:選擇相關(guān)的數據;②數據的預處理:消除噪音、冗余數據;③數據的推測:推算缺失數據;④數據的轉化:離散值數據與連續值數據之間的相互轉換、數據值的分組分類(lèi)、數據項之間的計算組合等;⑤數據的縮減:減少數據量。
(2)挖掘階段。該階段是數據挖掘的核心步驟，也是技術(shù)難點(diǎn)所在。根據數據挖掘的目標，采用人工智能、集合論、統計學(xué)等方法，應用相應的數據挖掘算法，分析數據并通過(guò)可視化工具表述所獲得的模式或規則。
(3)評價(jià)階段。在數據挖掘中得到的模式可能是沒(méi)有實(shí)際意義或沒(méi)有使用價(jià)值的，也有可能不能準確反映數據的真實(shí)意義，因此需要評估，確定有效的、有用的模式。評估可以根據用戶(hù)多年的經(jīng)驗，有些模式也可以直接用數據來(lái)檢驗其準確性。如何將挖掘出的有用知識清楚易懂地提供給教育和管理工作者也是一項非常重要的工作，選擇合適的可視化工具，將結果以關(guān)系表或用量化特征規則表示給用戶(hù)。
(4)運用階段。用戶(hù)理解的、并被認為是符合實(shí)際和有價(jià)值的模式形成了知識。同時(shí)還要對知識進(jìn)行一致性檢查，解決與以前得到的知識互相沖突、矛盾的地方，使知識得到鞏固。運用知識有兩種方法:一種是只需看知識本身所描述的關(guān)系或結果，就可以對決策提供支持;另一種是要求運用知識對新的數據進(jìn)行分析，由此可能產(chǎn)生新的問(wèn)題，而需要對知識作進(jìn)一步的優(yōu)化。
2.2.3數據挖掘的方法
在數據挖掘算法的理論基礎上，數據挖掘中的常用方法有:①生物學(xué)方法，包括人工神經(jīng)網(wǎng)絡(luò )、遺傳算法等;②信息論方法包括決策樹(shù)等;③集合論方法包括約略集、模糊集、最鄰近技術(shù)等;④統計學(xué)方法;⑤可視化技術(shù)等方法。數據挖掘的各類(lèi)算法包括預測模型、關(guān)聯(lián)規則挖掘算法、分類(lèi)規則挖掘算法、序列模式分析算法、聚類(lèi)分析算法、WEB數據挖掘等。
3數據挖掘在高等學(xué)校教學(xué)中的應用
3.1學(xué)生的基本信息
利用數據挖掘技術(shù)，比如可以對學(xué)生訪(fǎng)問(wèn)情況進(jìn)行分析，跟蹤、了解學(xué)生出勤情況。還可對學(xué)生年齡等個(gè)人情況進(jìn)行分析，了解學(xué)生的組成、結構，為合理地安排課程設置提供依據。通過(guò)對學(xué)生考試情況的分析，并結合出勤情況，可作為考查學(xué)生學(xué)習的情況，為合理地評估學(xué)生綜合素質(zhì)提供依。對于挖掘出來(lái)的規則信息可以利用可視化技術(shù)，以圖表或曲線(xiàn)等形式提供給教師，以使教師能充分利用學(xué)生的問(wèn)題資源，從而提高教學(xué)質(zhì)量。另外，數據挖掘可以應用于網(wǎng)上的考試系統，對考生情況和他取得的成績(jì)進(jìn)行挖掘，以幫助教師在以后的教學(xué)中更好地讓學(xué)生掌握知識。
3.2學(xué)生的學(xué)習特征
學(xué)生特征包括兩個(gè)方面:一是學(xué)習準備，一是學(xué)習風(fēng)格。學(xué)習準備包括初始能力和一般特征兩個(gè)方面。學(xué)生的初始能力是指學(xué)生在學(xué)習某一特定的課程內容時(shí)，已經(jīng)具備的有關(guān)知識與技能的基礎，以及他們對這些學(xué)習內容的認識和態(tài)度。學(xué)生的一般特征則是指在學(xué)習過(guò)程中影響學(xué)生的心理、生理和社會(huì )的`特點(diǎn)，包括年齡、性別、年級、認知成熟度、智力才能、學(xué)習動(dòng)機、個(gè)人對學(xué)習的期望、生活經(jīng)驗、文化、社會(huì )、經(jīng)濟等背景因素。學(xué)生的學(xué)習風(fēng)格與學(xué)習活動(dòng)有著(zhù)密切的關(guān)系。對學(xué)生感知不同事物、并對不同事物做出反應這兩方面產(chǎn)生影響的所有心理特征構成了學(xué)習風(fēng)格。
利用數據挖掘功能分析學(xué)生特征，并在此基礎上組織學(xué)習內容、闡明學(xué)習目標、確定教學(xué)策略、選擇教學(xué)媒體，為學(xué)生創(chuàng )造出一個(gè)適合其內部條件的外部學(xué)習環(huán)境，使有效學(xué)習發(fā)生在每個(gè)學(xué)生的身上。
3.3預測學(xué)生和教師行為發(fā)生
管理信息系統中記錄著(zhù)有關(guān)學(xué)生與教師在教學(xué)中發(fā)生的各種教學(xué)事故以及典型教學(xué)事例等教學(xué)運行信息，利用數據挖掘的關(guān)聯(lián)分析與演變分析等功能，尋找師生各種行為活動(dòng)之間的內在聯(lián)系。如“當存在A(yíng)，B時(shí)可以推出’C，這樣的規則，即當有A行為和B行為發(fā)生時(shí)，還會(huì )有C行為。在教學(xué)過(guò)程中，如果發(fā)現學(xué)生或教師已有A，B行為時(shí)，馬上可以分析其產(chǎn)生C行為的可能性，及時(shí)制定策略促進(jìn)或制止C行為的發(fā)生。
3.4合理設置課程
在學(xué)校，學(xué)生的課程學(xué)習是循序漸進(jìn)的，而且課程之間有一定的關(guān)聯(lián)與前后順序關(guān)系。在學(xué)一門(mén)較高級課程之前必須先修一些先行課程，如果先行課程沒(méi)有學(xué)好，勢必會(huì )影響后續課程的學(xué)習。另外，同一年級學(xué)習同一課程的不同班級，由于授課教師、班級文化的不同，班內學(xué)生的總體成績(jì)相差有時(shí)會(huì )很大。利用學(xué)校教學(xué)數據庫中存放的歷屆學(xué)生各門(mén)學(xué)科的考試成績(jì)，結合數據挖掘的關(guān)聯(lián)分析與時(shí)間序列分析等相關(guān)功能，就能從這些海量數據中挖掘出有用的信息，幫助分析這些數據之間的相關(guān)性、回歸性等性質(zhì)，得出一些具有價(jià)值的規則和信息，最終找到影響學(xué)生成績(jì)的原因。在此基礎上，對課程設置做出合理安排。
3.5評價(jià)學(xué)生學(xué)習情況
學(xué)習評價(jià)是教育工作者的重要職責之一。評定學(xué)生的學(xué)習行為，既對學(xué)生起到信息反饋和激發(fā)學(xué)習動(dòng)機的作用，又是檢查課程計劃、教學(xué)程序以至教學(xué)目的的手段，也是考查學(xué)生個(gè)別差異，便于因材施教的途徑。
特別是對成績(jì)管理數據庫進(jìn)行挖掘，其數據來(lái)源于成績(jì)管理數據庫，挖掘的任務(wù)就是從用戶(hù)指定的數據庫中以不同的角度或不同的層次上采掘出一系列的統計結果，如分布情況、關(guān)系，對比、顯著(zhù)性檢驗等，采掘結果用交叉表，特征規則，關(guān)聯(lián)規則，統計的曲線(xiàn)、圖表等表示，所以采用統計分析方法具有簡(jiǎn)單、方便、直觀(guān)等優(yōu)點(diǎn)，最為合適。
因此對學(xué)生學(xué)習行為和綜合素質(zhì)進(jìn)行評價(jià)，一般采用模糊論中的模糊綜合評判及模糊聚類(lèi)的方法，對評價(jià)結果采用了對定性和定量指標加權平均算出綜合素質(zhì)評價(jià)得分并排名的方法，而且由于學(xué)生綜合素質(zhì)的評價(jià)指標是動(dòng)態(tài)變化的，往往選用動(dòng)態(tài)聚類(lèi)法對評判結果進(jìn)行動(dòng)態(tài)聚類(lèi)分析。
3.6評價(jià)教學(xué)質(zhì)里
教學(xué)評價(jià)是根據教育目標的要求，按一定的規則對教學(xué)效果做出描述和確定，是教學(xué)各環(huán)節中必不可少的一環(huán)。教學(xué)評價(jià)可以通過(guò)校園網(wǎng)收集學(xué)生對任課教師所講授、輔導課程的意見(jiàn)、評價(jià)。有關(guān)學(xué)生座談意見(jiàn)、學(xué)生打分評價(jià)、平時(shí)各項教學(xué)檢查、相應課程期末考試班級成績(jì)匯總等都是教學(xué)評價(jià)的內容，把這些數據要作為教師教授相應課程的檔案數據全部存人數據庫。
利用數據挖掘對數據庫中有關(guān)教學(xué)的各項評價(jià)進(jìn)行分析處理，可以確定教師的教學(xué)內容的范圍和深度是否合適;選擇的教學(xué)媒體是否適合所選的教學(xué)內容和教學(xué)對象;講解的時(shí)間是否恰到好處;教學(xué)策略是否得當等。從而可以及時(shí)的將挖掘出的規則信息反饋給教師，以期更好地提高其教學(xué)水平，更好地服務(wù)于學(xué)生。
4結束語(yǔ)
總之，隨著(zhù)信息量的急劇增長(cháng)和對信息提取的更高要求，現在我們很難再依照傳統方法在海量數據中尋找決策的依據，這就必須借助數據挖掘去發(fā)掘數據中隱藏的規律或模式，為決策提供更有效的支持。雖然數據挖掘作為一種工具，它永遠也不能替代教師的地位，但是它可以為教師的決策提供科學(xué)的依據。數據挖掘技術(shù)本身就是人們大量實(shí)踐的結晶，它為建立傳統教學(xué)中很難獲取或不可能獲取的模型提供了捷徑。
【淺談數據挖掘技術(shù)及其在高等學(xué)校教學(xué)中的應用教育論文】相關(guān)文章：
數據挖掘在CRM中的應用論文04-10
網(wǎng)絡(luò )營(yíng)銷(xiāo)中數據挖掘技術(shù)的應用論文07-07
數據挖掘在培訓管理中的應用論文12-19
分析在課程教學(xué)中數據挖掘技術(shù)的選擇論文10-15
數據挖掘技術(shù)在網(wǎng)絡(luò )輿情危機管理中的應用論文10-20